视觉预训练是 EEG 解码的免费午餐吗？跨 12 项基准的无损时间折叠

基于摘要分析。本研究考察不使用 EEG 数据学习的视觉表征，能否通过合适的输入接口迁移到 EEG 解码，并尝试厘清 EEG 基础模型的收益与骨干容量、输入几何之间的关系。核心贡献是 lossless phase-interleaved temporal folding（无损相位交错时间折叠）：将通道–时间 EEG 片段重排为二维张量，不丢弃采样点，使标准卷积与 Transformer 视觉骨干能够直接处理 EEG。 作者在 12 项下游基准中评估了以 ImageNet 和 DINOv3 初始化的 EfficientNet-B0、ConvNeXt-Tiny 与 ViT-Small。作者报告，所评估的视觉模型在其中 8 项任务的两项主要指标上超过最强 EEG 基础模型参考；摘要未给出指标名称、具体分数、任务清单及被试内、跨被试或跨会话等划分，因此这一结论不能扩展为所有 EEG 场景下的普遍优势。作者还报告，匹配的随机初始化对照表明，预训练视觉权重对收益具有实质贡献，但匹配条件及各模型结果尚待全文核对。 技术上，该方法把迁移重点放在输入表示接口，而非必须依赖 EEG 专用预训练；无损重排保留了采样点，但并不自动保证二维邻接关系具有合适的时间或通道语义。需核对折叠规则、通道排列、输入尺寸与预处理，以及骨干容量和训练预算的控制方式。摘要无法确认这些因素如何影响结果。 作者将该组合定位为强且可复现的 EEG 基线，同时明确保留 EEG 专用预训练在冻结模型、少样本与跨电极布局迁移中的潜在优势。实验协议、消融及统计信息尚未验证；代码、权重、训练细节和复现条件也需进一步核对。